현장에서 AI 도입 논의를 시작하면 대화는 대개 모델에서 출발합니다. 어떤 알고리즘이 좋은지, 어느 벤더가 정확한지. 그런데 프로젝트가 막히는 지점은 거의 언제나 그보다 앞에 있습니다 — 학습시킬 데이터가 없다는 사실입니다.
제조 AI PoC가 반복해서 실패하는 이유
PoC를 해본 공장의 이야기는 놀랄 만큼 비슷합니다. 컨설팅을 받고, 모델을 골랐는데, 정작 데이터를 꺼내 보니:
- 센서 데이터가 PLC와 개별 장비 안에 갇혀 있어 꺼낼 방법부터 없다
- 있어도 몇 주치 스냅숏뿐 — 계절 변동, 설비 열화 같은 긴 패턴이 담긴 이력이 없다
- 시계열은 있는데 어느 설비·어느 로트의 데이터인지 맥락이 없다
- 서버 교체·통신 장애 구간의 결측이 그대로 방치돼 있다
이 상태에서 모델을 바꿔 봐야 결과는 달라지지 않습니다. 제조 AI의 병목은 알고리즘이 아니라 데이터입니다.
모델은 흔해졌고, 데이터는 아니다
지난 몇 년 사이 이상탐지·예측 모델은 사실상 상품이 됐습니다. 논문도, 오픈소스도, 상용 서비스도 넘칩니다. 어느 공장이든 살 수 있는 것은 경쟁력이 되지 않습니다.
반면 당신 공장의 데이터는 당신만 가질 수 있습니다. 이 라인의 진동 패턴, 이 설비의 열화 곡선, 이 공정의 계절성 — 이것이 제조 AI의 실제 자산이고, 시간이 지날수록 쌓이는 유일한 해자입니다.
좋은 학습 데이터의 조건은 세 가지입니다.
- 연속성 — 끊기지 않은 시계열. 결측 구간이 많으면 기준선 학습이 무너집니다.
- 맥락 — 태그가 어느 설비·어느 공정에 속하는지(설비 계층), 그때 무슨 일이 있었는지(알람·작업지시·로트).
- 품질 — 시각 동기화, 단위 일관성, 중복 제거. 나중에 고치려면 수십 배 비쌉니다.
그래서, 무엇을 모아야 하나
거창하게 시작할 필요 없습니다. 우선순위는 명확합니다.
- 센서 시계열: 온도·압력·진동·전류 같은 핵심 태그. 초 단위면 대부분의 분석에 충분합니다.
- 알람·이벤트: 언제 무엇이 울렸고 누가 어떻게 조치했는지. 라벨 없는 시계열에 라벨을 달아주는 재료입니다.
- 생산 컨텍스트: 작업지시·로트·품목. "이 구간은 어떤 생산 조건이었나"를 답할 수 있어야 합니다.
- 설비 계층: ISA-95 관점의 공장→라인→설비→태그 구조. 태그 1만 개도 계층이 있으면 탐색 가능한 데이터가 됩니다.
수집 체계가 갖춰야 할 것
- 표준 프로토콜로 수집 — OPC-UA·Modbus·SECS/GEM 등 표준 기반이어야 장비가 바뀌어도 체계가 살아남습니다.
- 엣지에서 끊김 없이 — 네트워크는 반드시 끊깁니다. 단절 구간을 로컬에 적체했다가 복구 시 재전송하는 구조가 아니면 연속성은 지켜지지 않습니다.
- 시계열 전용 저장소 — 관계형 DB에 초 단위 태그를 욱여넣으면 1년을 못 버팁니다. 압축·보존 정책을 가진 시계열 저장소가 필요합니다.
- 카탈로그화 — 모은 데이터가 "누가 봐도 찾을 수 있는" 상태여야 AI 팀이 일을 시작할 수 있습니다.
현실적인 로드맵 — 6개월이면 충분하다
- 1개월 차: 핵심 라인 하나를 골라 주요 태그 수집을 시작합니다. 전 공장이 아니라 한 라인부터.
- 2~6개월 차: 시계열을 축적하면서 알람·작업지시·로트를 연결합니다. 이 기간에 데이터 품질 문제(결측·단위·시각)를 잡습니다.
- 6개월 차 이후: 축적된 데이터로 이상탐지부터 시작합니다. 기준선 학습에 필요한 이력이 이미 준비돼 있으므로, 이때의 AI 프로젝트는 "데이터를 찾아 헤매는 프로젝트"가 아니라 "모델을 검증하는 프로젝트"가 됩니다.
맺음말
AI는 데이터 위에서만 동작하는 함수입니다. 오늘 수집을 시작한 데이터가 6개월 뒤 AI 프로젝트의 성패를 결정합니다. 반대로 말하면, 지금 수집을 시작하지 않으면 6개월 뒤에도 같은 자리에서 같은 고민을 하게 됩니다.
PlantPulse는 이 "AI 이전 구간"을 위해 만들어졌습니다. 42종 산업 프로토콜 드라이버로 수집하고, 엣지 store-and-forward로 연속성을 지키고, 시계열 저장소와 데이터 카탈로그로 맥락을 보존합니다 — 전부 온프레미스로. 데이터가 준비되면, AI는 따라옵니다.